論文の概要: Molecule Graph Networks with Many-body Equivariant Interactions

• arxiv url: http://arxiv.org/abs/2406.13265v1
• Date: Wed, 19 Jun 2024 06:53:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 22:49:46.636246
• Title: Molecule Graph Networks with Many-body Equivariant Interactions
• Title（参考訳）: 多体同変相互作用を持つ分子グラフネットワーク
• Authors: Zetian Mao, Jiawen Li, Chen Liang, Diptesh Das, Masato Sumita, Koji Tsuda,
• Abstract要約: 等変ベクトル表現は、幾何データ対称性をキャプチャすることで、表現性を高める。 反対の2体結合ベクトルは、メッセージパッシング中に互いにキャンセルされ、方向情報が失われる可能性がある。 指向性情報を保存するために,同変多体インタラクションを明示的に統合するENINetを開発した。
• 参考スコア（独自算出の注目度）: 16.864186683465846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Message passing neural networks have demonstrated significant efficacy in predicting molecular interactions. Introducing equivariant vectorial representations augments expressivity by capturing geometric data symmetries, thereby improving model accuracy. However, two-body bond vectors in opposition may cancel each other out during message passing, leading to the loss of directional information on their shared node. In this study, we develop Equivariant N-body Interaction Networks (ENINet) that explicitly integrates equivariant many-body interactions to preserve directional information in the message passing scheme. Experiments indicate that integrating many-body equivariant representations enhances prediction accuracy across diverse scalar and tensorial quantum chemical properties. Ablation studies show an average performance improvement of 7.9% across 11 out of 12 properties in QM9, 27.9% in forces in MD17, and 11.3% in polarizabilities (CCSD) in QM7b.
• Abstract（参考訳）: メッセージパッシングニューラルネットワークは、分子間相互作用を予測する上で大きな効果を示している。 等変ベクトル表現の導入は、幾何データ対称性をキャプチャして表現性を高め、モデル精度を向上させる。 しかし、反対の2体結合ベクトルはメッセージパッシング中に互いにキャンセルされ、共有ノード上の方向情報が失われる。 本研究では,メッセージパッシング方式における指向性情報を保持するために,同変多体インタラクションを明示的に統合するEquivariant N-body Interaction Networks (ENINet) を開発した。 実験により、多体同変表現を統合することで、様々なスカラーおよびテンソル量子化学特性の予測精度が向上することが示された。 アブレーションによる研究によると、QM9の12個中11個中7.9%、MD17の27.9%、QM7bの11.3%において、平均的な性能改善が見られた。

関連論文リスト

• Equivariant Graph Network Approximations of High-Degree Polynomials for Force Field Prediction [62.05532524197309]
  同変深部モデルでは、分子動力学シミュレーションにおいて原子ポテンシャルと力場を正確に予測できることが示されている。 本研究では、同変アーキテクチャの同変関数を解析し、PACEと呼ばれる新しい同変ネットワークを導入する。 一般的なベンチマークで実験されたように、PACEは原子エネルギーと力場の予測における最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-06T19:34:40Z)
• Relaxing Continuous Constraints of Equivariant Graph Neural Networks for Physical Dynamics Learning [39.25135680793105]
  離散同変グラフニューラルネットワーク(DEGNN)を提案する。 具体的には、幾何学的特徴を置換不変な埋め込みに変換することによって、このような離散同変メッセージパッシングを構築することができることを示す。 DEGNNはデータ効率が良く、少ないデータで学習でき、観測不能な向きなどのシナリオをまたいで一般化できることを示す。
  論文  参考訳（メタデータ） (2024-06-24T03:37:51Z)
• EqMotion: Equivariant Multi-agent Motion Prediction with Invariant Interaction Reasoning [83.11657818251447]
  不変相互作用推論を用いた効率的な同変運動予測モデルであるEqMotionを提案する。 提案モデルに対して,粒子動力学,分子動力学,人体骨格運動予測,歩行者軌道予測の4つの異なるシナリオで実験を行った。 提案手法は4つのタスクすべてに対して最先端の予測性能を実現し,24.0/30.1/8.6/9.2%改善した。
  論文  参考訳（メタデータ） (2023-03-20T05:23:46Z)
• Unifying O(3) Equivariant Neural Networks Design with Tensor-Network Formalism [12.008737454250463]
  本稿では,SU($2$)対称量子多体問題のシミュレーションに広く用いられている融合図を用いて,同変ニューラルネットワークのための新しい同変成分を設計する手法を提案する。 与えられた局所近傍の粒子に適用すると、結果として得られる成分は「融合ブロック」と呼ばれ、任意の連続同変関数の普遍近似として機能する。 我々のアプローチは、テンソルネットワークと同変ニューラルネットワークを組み合わせることで、より表現力のある同変ニューラルネットワークを設計するための有益な方向を示唆している。
  論文  参考訳（メタデータ） (2022-11-14T16:06:59Z)
• Learning Local Equivariant Representations for Large-Scale Atomistic Dynamics [0.6861083714313458]
  アレグロは厳密な局所同変深層学習の原子間ポテンシャルである。 並列計算の精度とスケーラビリティを両立させる。 単一のテンソル積層は、既存のディープメッセージパッシングニューラルネットワークやトランスフォーマーよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-04-11T16:48:41Z)
• Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
  本稿では,グラフ力学ネットワーク(GMN)を提案する。 GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。 大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
  論文  参考訳（メタデータ） (2022-03-12T14:22:14Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Geometric and Physical Quantities improve E(3) Equivariant Message Passing [59.98327062664975]
  等変グラフネットワークを一般化する等変グラフニューラルネットワーク(SEGNN)を提案する。 このモデルは、ステアブルで構成され、メッセージと更新機能の両方に幾何学的および物理的情報を組み込むことができる。 計算物理学と化学におけるいくつかの課題において,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-10-06T16:34:26Z)
• Equivariant message passing for the prediction of tensorial properties and molecular spectra [1.7188280334580197]
  偏光性原子間相互作用ニューラルネットワーク(PaiNN)を提案する。 これを分子スペクトルのシミュレーションに適用し,電子構造基準と比較して4-5桁の高速化を実現した。
  論文  参考訳（メタデータ） (2021-02-05T13:00:12Z)
• Learning Invariances in Neural Networks [51.20867785006147]
  ネットワークパラメータや拡張パラメータに関して,拡張性よりも分布をパラメータ化し,トレーニング損失を同時に最適化する方法を示す。 画像分類,回帰,セグメンテーション,分子特性予測における不均一性の正確なセットと範囲を,拡張の広い空間から復元することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:18:48Z)
• Relevance of Rotationally Equivariant Convolutions for Predicting Molecular Properties [2.4342039412988097]
  等価ニューラルネットワーク(ENN)は、$mathbbR3$に埋め込まれたグラフニューラルネットワークであり、分子特性の予測に適している。 本報告では, 分子特性予測のための角依存性を含めることの実用的価値を, texttte3nn と QM9 データセットを用いたアブレーション研究により検討する。
  論文  参考訳（メタデータ） (2020-08-19T14:07:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。